Использование искусственных нейронных сетей для оценки и прогнозирования речных отложений



На сегодняшний день использование искусственных нейронных сетей (ИНС) для прогнозирования использования водных ресурсов быстро растет. Уже существуют примеры использования ИНС в инфраструктурных проектах, описанных с точки зрения выбора архитектуры сетей, алгоритмов обучения и выбора параметров обучения в различных типах нейронных сетей, используемых в разработке водных ресурсов. В данной статье представлен обзор используемых методов прогнозирования для уровня уровень речных отложений. ИНС является мощным методом для расчёта огромного числа связей между входными и выходными параметрами и способен находить сложные взаимосвязи. Метод даёт надежные результаты прогнозирования для многих проблем инженерии водных ресурсов через обучение на примере. Модель основанная на ИНС способна генерировать результаты точнее, чем традиционные методы прогнозирования.

Ключевые слова: ИНС, моделирование, прогнозирование, гидротехника.

Today, the use of artificial neural networks (ANN) to predict water usage is growing rapidly. There are examples of using ANNs for infrastructure projects described in terms of the choice of network architecture, training algorithms and the choice of training parameters in various types of neural networks used in the water resources engineering. This article provides an overview of the forecasting methods used for the level of river sediments. ANN is a powerful method for calculating a huge number of links between input and output parameters and is able to find complex relationships. The method gives reliable prediction results for many problems of water engineering through learning by example. The ANN-based model is able to generate results more accurately than traditional forecasting methods.

Keywords: ANN, discharge, modeling, prediction, sediment.

Гидротехника включает в себя изучение гидравлики, гидрологии, условий среды и связанных геологических проектов. Инженеры часто сталкивались с трудностями при прогнозировании и оценке параметров водных ресурсов (то есть мощности насосов, водоотведения, осадков, качества воды и т. д.). Большинство этих переменных представляются как нелинейная функция, зависящая от пространственных координат и времени. Сложное представление этих переменных всегда трудно точно оценить из-за вариаций параметров, что приводит к неопределенности в результатах прогнозирования. Тем не менее, инженеры-гидротехники попытались решить проблемы, возникающие при проектировании и управлении различными проектами в области водных ресурсов.

Последовательная проработка проблематики дала эффективное решение для планирования и проектирования эксплуатации водных ресурсов. Одним из наиболее привлекательных методов является использование ИНС, позволяющее изучать взаимосвязи в поведении между входами и выходами из заранее подготовленной базы примеров без необходимости проведения специальных экспериментальных измерений. Искусственные нейронные сети обладают замечательной характеристикой, заключающейся в том, что они могут извлекать близкую к точной связь между входными и выходными данными без каких-либо дополнительных объяснений. Известно, что ИНС распознают связь между переменными, даже если данные являются зашумленными и содержат некоторые ошибки. Все эти качества позволяют предположить эффективность использования ИНС для прогнозирования и оценки параметров водных ресурсов. В этом контексте было найден приложение ИНС для прогнозирования, моделирования и оценки гидротехнических параметров (т. е. расход воды, речной осадок, сток дождевых осадков, поток грунтовых вод, осадки и качество воды и т. д.). Однако в этом обзоре рассматриваются только применение ИНС для анализа речных отложений.

Таким образом, цель этого исследования состоит в том, чтобы изучить, насколько эффективно использование ИНС для решения проблем прогнозирования исследуемых гидротехнических параметров. Кроме того, какая инфраструктура (критерии выбора входных данных, выбор и разделение наборов данных, выбор структуры сети, функция активации и алгоритмы, используемые для обучения сети и т. д.) должна быть использована для получения приближенных к оптимальным моделей.

Использование ИНС для оценки речных отложений

Определение расхода речных отложений является одной из важнейших проблем в разработке водных ресурсов. Несколько методов, включая ИНС, успешно применены для оценки и прогнозирования взвешенных отложений по всему миру [1–33]. Однако это исследование ограничено только методами, использующими ИНС.

В работе [1] прогнозировали нагрузку наносов в реках с помощью многослойной нейронной сети с прямой связью и алгоритмом обучения обратного распространения ошибки и сравнивали результаты с традиционными формулами для расчёта отложений. В их работе описаны восемь параметров, которые включают тяговое напряжение сдвига, коэффициент скорости, параметр подвеса, продольный наклон, число Фруда, число Рейнольдса и коэффициент ширины потока в качестве входных данных для прогнозирования концентрации наносов в выходном слое. Количество скрытых нейронов было выбрано эмпирическим методом. Для проверки модели также использовались данные взвешенных отложений из других рек для наблюдения за характеристиками модели. По результатам работы прогнозирование с использованием ИНС было признано удачным решением. В качестве конкурирующих методов были использованы классические формулы для расчёта отложений. По результатам сравнения ИНС с результатами, полученными с использованием обычных уравнений, установлено, что модель ИНС может давать удовлетворительные результаты прогнозирования, а в некоторых случаях даже более точные, чем классические системы уравнений. Авторы пришли к выводу, что методы использующие нейронные сети могут быть с успехом применены для прогнозирования нагрузки наносов даже тогда, когда классические методы не могут быть использованы в следствие неопределенности и вероятностного характера движения отложений.

Работа [2] описывает моделирование нейронной сети с прямой связью для изучения миграции твёрдых частиц в нестабильных средах и сравнил результаты модели ИНС с физическими моделями. В качестве входных данные использовались данных о склонах и интенсивности осадков для оценки расхода наносов. Количество скрытых нейронов определялось методом перебора, в то время как в скрытом слое использовалась передаточная функция сигмоида. Автор положительно оценил результаты моделирования разных склонов. Результатом сравнения эффективности модели ИНС с некоторыми физически-обоснованными моделями стало заключение о том, что модель ИНС работает так же хорошо, а в некоторых случаях даже лучше, чем физические модели. Кроме того, он предположил, что модель ANN может быть очень мощным инструментом для исследований переноса отложений.

Cigizoglu [3] прогнозировал и оценивал данные взвешенных отложений с использованием нейронной сети многослойный перцептрон. Автор прогнозировал в первую очередь взвешенные отложения, используя имеющиеся данные об осадках вниз по течению, а затем отдельно данные об осадках вверх по течению в качестве входных данных для перцептронов. Он также исследовал взаимосвязь между речным стоком и взвешенными отложениями, используя в качестве дополнительных данных данные со станций вверх и вниз по течению независимо друг от друга. Если входные и выходные данные принадлежат одной и той же речной станции, то он использовал термин прогнозирование, а для разных речных станций — «оценка». В качестве основных данных была использована информация с двух речных станций за 29 лет. Был проведен обширный статистический анализ, включающий: автокорреляцию, взаимную корреляцию, среднее значение, стандартное отклонение, коэффициент вариации, коэффициент асимметрии, общий минимум и максимум. Отмечено, что уровень шума в данных по осадкам выше, чем в данных о потоках. Кроме того, автокорреляция в данных об осадках также была ниже, чем в данных о потоках. Cigizoglu [3] прогнозировал взвешенный осадок на один день вперёд в четырех различных режимах:

1. используя четыре предшествующих значения отложений по данным вниз по течению только в качестве входных данных
2. используя данные по текущему осадку вверх по течению с данными 9 предшествующих отложений, чтобы спрогнозировать текущий осадок вниз по течению станции
3. используя текущий поток ниже по течению и пять значений предшествующего потока, чтобы оценить текущий текущий осадок вниз по течению
4. используя текущий поток вверх по течению и девять значений предшествующего потока, чтобы оценить текущее значение осадка ниже по потоку.

Для сравнения производительности он использовал обычную кривую оценки наносов, модель мультилинейной регрессии и стохастическую модель AR для оценки взвешенных отложений. Он отметил, что прогнозирование отложений вниз по течению с использованием данных по осадкам вверх по течению в качестве входных данных дает гораздо лучшие результаты по сравнению с использованием прошлых данных вниз по течению в качестве входных данных. Сравнивая точность моделей на основе перцептрона с традиционными моделями, Cigizoglu [3] предположил, что перцептрон дал лучшие результаты, чем все другие традиционные методы. Исходя из этого, он заключил, что перцептрон обладает способностью фиксировать нелинейное высоко-динамичное поведение в данных и может обобщать структуру данных в целом.

Cigizoglu и Alp [4] прогнозировали выход речных отложений с использованием нейронных сетей с обобщенной регрессионной сетью (GRNN) и прямой обратной связи (FFBP). Они использовали данные о суточном потоке и речных отложениях, для прогнозирования наносов с использованием моделирования ANN. Параметры обучения для обеих моделей ANN были определены эмпирическим методом. Они заявили, что оба типа нейронных сетей способны прогнозировать суточный осадок. Коэффициент смешанной корреляции в модели FFBP оказался больше, чем в модели GRNN. Модели FFBP дали хорошие результаты прогнозирования при высоких и средних наносах, но при низких значениях наносов были получены отрицательные значения. GRNN в состоянии предсказать нагрузку от отложений также при низких значениях. Они отметили, что GRNN быстрее и может дать точные результаты в течение более короткого времени, чем модель FFBP.

Kisi [5] разработал модель нейронной сети для оценки концентрации взвешенных наносов на двух станциях Quebrada Blanca и Rio Valenciano в США. Данные о расходе потока и концентрации взвешенных отложений взяты за период с октября 1993 года по сентябрь 1994 года (водный год 1994 года) и с октября 1994 года по сентябрь 1995 года (водный год 1995 года) и использовались соответственно для этапа обучения и тестирования сети. Статистический анализ для предварительной обработки данных с точки зрения автокорреляционного, кросскорреляционного и частичного автокорреляционного анализа был выполнен, чтобы получить соответствующее количество входных данных для сетевой архитектуры. Эмпирически определено количество скрытых нейронов в скрытом слое. Касательные сигмовидные и линейные передаточные функции использовались для скрытого и выходного слоев соответственно. Для обучения сети использовались три различных алгоритма обучения: сопряженный градиент (CG), градиентный спуск (GD) и Levenberg Marquardt (LM) были использованы. Сравнение эффективности алгоритмов обучения показало, что LM и CG показали лучшие результаты нежели алгоритм GD. Кроме того, они указали, что GD требует для обучения большее количество эпох и времени.

Jothiprakash и Garg [6] оценили осаждение осадка в резервуаре с помощью многослойных нейронных сетей с архитектурой перцетрона. Они также использовали обычный регрессионный анализ для оценки осадконакопления, но не получили обнадёживающих результатов. Для оценки седиментации водохранилища использовались годовые данные об осадках, притоке и мощности Гобиндагарского водохранилища на реке Сатлуй, Индия с 1971 по 2003 год (тридцать два года). Данные разделили на обучающую (первые 23 года) и тестовые (за 9 лет) выборки. Эмпирически установлено оптимальное количество нейронов в скрытом слое для соответствующей структуры сети. Результаты, полученные из сети, были признаны удовлетворительными и намного лучше, чем классический регрессионный анализ. Из результатов следует, что архитектура ИНС 3–5–1 (нейроны ввода-скрытые-вывода) с сигмоидальной передаточной функцией и обучением эластичным распространением хорошо подходит для оценки наносов.

Melesse [32] прогнозировали взвешенную наносы в речных системах с использованием нейронной сети с алгоритмами обучения обратного распространения и сравнивали производительность модели с тремя другими методами, названными множественной линейной регрессией (MLR), множественной нелинейной регрессией (MNLR) и интегрированной скользящей средней авторегрессии (ARIMA). Использовались данные пятилетних суточных и еженедельных данных об осадках, расходах воды и взвешенных отложениях в трех разных реках Миссисипи (1971–1975 гг.), Миссури (1977–1981 гг.) И Рио-Гранде (1977–1981 гг.) Из США. Были рассмотрены три различных типа входов с различными комбинациями осадков, расхода воды и взвешенных отложений, включая некоторые предшествующие условия. Были опробованы три различные комбинации наборов данных для обучения и тестирования, например, 4, 3 и 2 года наборов данных для обучения и 1, 2 и 3 года для тестирования наборов данных соответственно. Эксплуатационные качества модели наблюдались выше в течение 4 лет обучения и 1 года испытаний наборов данных для реки Миссисипи, а также в течение 3 лет обучения и 2 лет испытаний для рек Миссури и Гранде. Результаты прогноза, полученные на основе ежедневных данных, оказались лучше, чем еженедельные данные для всех трех рек. Результаты прогнозирования, полученные с использованием метода ANN, превосходили все остальные три метода моделирования (MLR, MNLR и ARIMA).

Заключение

ИНС является удобным и надёжным инструментом для моделирования гидротехнических параметров. Но его эффективность в значительной степени зависит от понимания связи между параметрами, а также от объема знаний в области ИНС. До моделирования важно провести базовый статистический анализ данных, это позволяет выдвинуть предварительные гипотезы для дальнейшего использования при моделировании. Такой анализа может способствует получению более эффективной модели. Кроме того, автокорреляционный и кросс-корреляционный анализ переменных полезен при выборе входных параметров для модели. Проверка нескольких алгоритмов обучения и функций активаций в нейронных сетях положительно сказывается на точности модели. Исследование также показало, что соответствующее моделирование при помощи ИНС является достойной альтернативой традиционным методами моделирования. Хотя рецензируемые статьи в этом исследовании не охватывают все направления и подходы, очевидно, что нейронные сети оказали значительное влияние в этой области, особенно в речных отложениях.

Литература:

1. H. M. Nagy, K. Watanabe, and M. Hirano, «Prediction of Sediment Load Concentration in Rivers using Artificial Neural Network Model», Journal of Hydraulic Engineering, vol. 128, pp. 588–595, 2002.
2. G. Tayfur, «Artificial neural networks for sheet sediment transport / Application des réseaux de neurones artificiels pour le transport sédimentaire en nappe», Hydrological Sciences Journal, vol. 47, pp. 879–892, 2002.
3. H. K. Cigizoglu, «Estimation and forecasting of daily suspended sediment data by multi-layer perceptrons», Advances in Water Resources, vol. 27, pp. 185–195, 2004.
4. H. K. Cigizoglu and M. Alp, «Generalized regression neural network in modelling river sediment yield», Advances in Engineering Software, vol. 37, pp. 63–68, 2006.
5. O. Kisi, «Constructing neural network sediment estimation models using a data-driven algorithm», Math. Comput. Simul., vol. 79, pp. 94–103, 2008.
6. V. Jothiprakash and V. Garg, «Reservoir Sedimentation Estimation Using Artificial Neural Network», Journal of Hydrologic Engineering, vol. 14, pp. 1035–1040, 2009.
7. A. M. Melesse, S. Ahmad, M. E. McClain, X. Wang, and Y. H. Lim, «Suspended sediment load prediction of river systems: An artificial neural network approach», Agricultural Water Management, vol. 98, pp. 855–866, 2011.
8. M. R. Mustafa, R. B. Rezaur, and M. H. Isa, «A Comparison of Artificial Neural Networks for Prediction of Suspended Sediment Discharge in River- A Case Study in Malaysia», Proceedings of the International Conference on Environmental Science and Engineering ICESE 2011. River View Hotel Singapore, 28–30 September, 2011, pp. 372–376, 2011.